معرفی شرکت ها

bullseye_method-1.0.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
1.0.2
1.0.1
1.0.0
0.0.33
0.0.32
0.0.31
0.0.3
0.0.2
0.0.1
0.0.1

توضیحات

Implemented tensorflow version of the Bullseye method for prior approximation.
ویژگی مقدار
سیستم عامل -
نام فایل bullseye_method-1.0.2
نام bullseye_method
نسخه کتابخانه 1.0.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Quentin Leveque
ایمیل نویسنده qleveque@hotmail.com
آدرس صفحه اصلی https://github.com/Whenti/bullseye
آدرس اینترنتی https://pypi.org/project/bullseye_method/
مجوز -
# Bullseye! "Bullseye!" is a new algorithm for computing the Gaussian Variational Approximation of a target distribution. Its strong point lies in the fact that it can easily be parallelized and distributed. ## Getting Started These instructions will get you a copy of the project up and running on your local machine for development and testing purposes. See deployment for notes on how to deploy the project on a live system. ### Installing Bullseye! is now available as a [PyPI package](https://pypi.python.org/pypi/bullseye_method/): ``` pip install bullseye_method ``` or clone the repository : ``` git clone https://github.com/Whenti/bullseye ``` or [download and extract the zip](https://github.com/Whenti/bullseye/archive/master.zip) into your project folder. ## Running the tests To see if everything is working properly, you can already run the algorithm on a multilogit model with artificially generated data. ```py from Bullseye.Tests import simple_test simple_test() ``` ## Example ```py import Bullseye from Bullseye import generate_multilogit theta_0, x_array, y_array = generate_multilogit(d = 10, n = 10**3, k = 5) bull = Bullseye.Graph() bull.feed_with(x_array,y_array) bull.set_predefined_model("multilogit") bull.set_predefined_prior("normal_iid") bull.init_with(mu_0 = 0, cov_0 = 1) bull.set_options(local_std_trick = True, s=5) bull.build() bull.run() ``` ## Authors * **Quentin Lévêque** [Whenti](https://github.com/Whenti) See also the list of [contributors](https://github.com/Whenti/bullseye/contributors) who participated in this project. Hopefully, there will be more. ## License This project licensed under the GPL3 License - see the [LICENSE.txt](LICENSE.txt) file for details.


نحوه نصب


نصب پکیج whl bullseye_method-1.0.2:

    pip install bullseye_method-1.0.2.whl


نصب پکیج tar.gz bullseye_method-1.0.2:

    pip install bullseye_method-1.0.2.tar.gz